异常值(离群值)是指距离其他数据值太远的数据值。数据异常值可能是自然产生的,也可能是由于测量不准确、或系统故障造成的。与缺失值类似,异常值会破坏数据科学项目并返回错误的结果或预测。异常值也可能出现在倾斜数据中,这些类型的异常值被认为是自然异常值。

异常值会影响数据的平均值、标准差和四分位范围。如果我们在去除异常值之前和之后计算这些统计数据,我们会得到不同的结果。


(相关资料图)

Carla Martins

异常值如何影响机器学习模型?

如果我们的异常值是自然的而不是由于测量误差,则应该将它保留在数据集中,并执行数据转换来对其进行规范化处理。如果我们的数据集很大,但异常值很少,我们应该保留这些异常值,因为它们不会显著影响结果,并且可以为我们的模型带来泛化的效果。

如果我们非常确定我异常值是由于测量误差带来的,则应该从数据集中删除它们。去除异常值的将减少数据集的大小,并可以让我们的模型的适用到所包含的度量范围。但是要记住去掉自然异常值可能导致模型不准确。

使用可视化工具检测异常值

异常值是不容易被“肉眼”发现的,但是有一些可视化工具可以帮助完成这项任务。最常见的是箱形图和直方图。

和往常一样,我们第一步是加载必要的库和导入/加载数据集。这里将使用​​insurance.csv​​。

import numpy as np import pandas as pd import seaborn as sns import statistics  df = pd.read_csv("insurance.csv") df

我们将检查age,bmi和expenses的异常值。

第一种方法是用box - plot表示数据分布:

sns.boxplot(y="age", data=df) sns.boxplot(y="bmi", data=df) sns.boxplot(y="expenses", data=df)

从箱线图我们可以看到age没有异常值bmi在上界有一些异常值,而expenses在上界有很多异常值,这表明了这是一个偏态分布。为了检查这个偏态分布的倾斜程度,我们将使用直方图。

sns.histplot(df, x="age", kde=True) sns.histplot(df, x="bmi", kde=True) sns.histplot(df, x="expenses", kde=True)

从直方图中可以看出,年龄变量均匀分布,bmi接近正态分布,expenses偏态分布。通过分析这两种图形表示,我们可以决定要排除那些数据。对于年龄不排除任何值。对于bmi我们将排除高于47的值,对于费用,我们将排除高于50000的值。

df.drop(df[df["bmi"] >= 47].index, inplace = True) df.drop(df[df["expenses"] >= 50000].index, inplace = True)

现在如果再次检查箱线图和直方图:

用统计方法检测异常值

有两种主要的统计方法可以检测异常值:使用z分数和使用四分位范围。

1、使用Z-score检测异常值

Z-score是一种数学变换,根据其与均值的距离对每个观察结果进行分类。与平均值之间的距离用标准差(SD)来衡量。如果得到的数值为1.59,我们就知道观察值比平均值高出1.59个标准差。同理如果得到-2.4的Z-score,我们就会知道观察值比平均值低-2.4个标准差。高于3SD或低于-3SD的观测值一般会被认为是异常值。

下面我们用代码实现,首先查看age:

df = pd.read_csv("insurance.csv") mean_age = statistics.mean(df["age"]) stdev_age = statistics.stdev(df["age"])  age_z_score = (df["age"]-mean_age)/stdev_age df["age_z_score"] = age_z_score.tolist()

现在查看是否有低于-3SD的值:

df.sort_values(by=["age_z_score"], ascending=True)

可以看到没有低于-3SD的值。现在检查3SD以上的值:

我们可以看到没有高于3SD的值。也就是说age没有异常值。现在对变量bmi做同样的操作:

mean_bmi = statistics.mean(df["bmi"]) stdev_bmi = statistics.stdev(df["bmi"]) bmi_z_score = (df["bmi"]-mean_bmi)/stdev_bmi df["bmi_z_score"] = bmi_z_score.tolist()  df.sort_values(by=["bmi_z_score"], ascending=True) df.sort_values(by=["bmi_z_score"], ascending=False)

查看3SD以上的值:

将这些值删除:

df.drop(df[df[‘bmi_z_score’] >= 3].index, inplace = True)

下一步用同样的方法计算expenses:

mean_expenses = statistics.mean(df["expenses"]) stdev_expenses = statistics.stdev(df["expenses"]) expenses_z_score = (df["expenses"]-mean_expenses)/stdev_expenses df["expenses_z_score"] = expenses_z_score.tolist()  df.sort_values(by=["expenses_z_score"], ascending=True) df.sort_values(by=["expenses_z_score"], ascending=False) df.drop(df[df[‘expenses_z_score’] >= 3].index, inplace = True)

删除了数据以后,我们再次可视化数据:

可以看到,一些值已经被移除了

2、使用四分位距检测异常值

四分位距将数据分布到四个部分,并且从低到高排序,如下图所示,每个部分包含相同数量的样本。第一个四分位(Q1)是边界上的数据点的值。Q2和Q3也是如此。四分位距(IQR)是两个中间部分的数据点(代表50%的数据)。四分位距包含所有高于Q1低于Q3的数据点。如果该点高于Q3 + (1.5 x IQR),则表示包含较高数值离群值,如果Q1−(1.5 x IQR)则存在较低数值的离群值。

代码如下:

df = pd.read_csv("insurance.csv") q75_age, q25_age = np.percentile(df["age"], [75 ,25]) iqr_age = q75_age - q25_age iqr_age  age_h_bound = q75_age+(1.5*iqr_age) age_l_bound = q25_age-(1.5*iqr_age) print(age_h_bound) print(age_l_bound)

这样就知道了异常值位于87以上或-9以下:

df.sort_values(by=["age"], ascending=True)

可以看到没有下异常值,现在我们将检查上异常值:

df.sort_values(by=["age"], ascending=False)

也没有上异常值。

下面对bmi执行同样的操作:

q75_bmi, q25_bmi = np.percentile(df["bmi"], [75 ,25]) iqr_bmi = q75_bmi - q25_bmi iqr_bmi  bmi_h_bound = q75_bmi+(1.5*iqr_bmi) bmi_l_bound = q25_bmi-(1.5*iqr_bmi) print(bmi_h_bound) print(bmi_l_bound)  df.sort_values(by=["bmi"], ascending=True) df.sort_values(by=["bmi"], ascending=False)  df.drop(df[df["bmi"] >= 47.3].index, inplace = True) df.drop(df[df["bmi"] <= 13.7].index, inplace = True)

expenses也是用相同的方法进行处理,我们对结果进行可视化:

可以看到异常值也被删除了。

推荐内容